論文の概要: Generate more than one child in your co-evolutionary semi-supervised learning GAN

• arxiv url: http://arxiv.org/abs/2504.20560v1
• Date: Tue, 29 Apr 2025 09:04:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.819624
• Title: Generate more than one child in your co-evolutionary semi-supervised learning GAN
• Title（参考訳）: 共進化的半教師学習GANで複数の子を生成する
• Authors: Francisco Sedeño, Jamal Toutouh, Francisco Chicano,
• Abstract要約: SSL-GANは過去10年間に多くの研究者を惹きつけてきた。 GANの2つのネットワークが別々の集団で進化する、共進化的アプローチが適用されている。 我々は,共進化型SSL-GAN(Co-evolutionary Elitist SSL-GAN,CE-SSLGAN)と呼ばれる新しい共進化的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.3927943269211591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Adversarial Networks (GANs) are very useful methods to address semi-supervised learning (SSL) datasets, thanks to their ability to generate samples similar to real data. This approach, called SSL-GAN has attracted many researchers in the last decade. Evolutionary algorithms have been used to guide the evolution and training of SSL-GANs with great success. In particular, several co-evolutionary approaches have been applied where the two networks of a GAN (the generator and the discriminator) are evolved in separate populations. The co-evolutionary approaches published to date assume some spatial structure of the populations, based on the ideas of cellular evolutionary algorithms. They also create one single individual per generation and follow a generational replacement strategy in the evolution. In this paper, we re-consider those algorithmic design decisions and propose a new co-evolutionary approach, called Co-evolutionary Elitist SSL-GAN (CE-SSLGAN), with panmictic population, elitist replacement, and more than one individual in the offspring. We evaluate the performance of our proposed method using three standard benchmark datasets. The results show that creating more than one offspring per population and using elitism improves the results in comparison with a classical SSL-GAN.
• Abstract（参考訳）: Generative Adversarial Networks(GAN)は、実際のデータに似たサンプルを生成する能力のおかげで、半教師付き学習(SSL)データセットに対処する非常に有用な方法である。 SSL-GANと呼ばれるこのアプローチは、過去10年間に多くの研究者を惹きつけてきた。 進化的アルゴリズムは、SSL-GANの進化とトレーニングを、大きな成功を収めるために使われてきた。 特に、GAN(ジェネレータと識別器)の2つのネットワークを別々の集団で進化させる、いくつかの共進化的アプローチが適用されている。 これまで公表された共進化的アプローチは、細胞進化アルゴリズムの考え方に基づいて、人口の空間構造を仮定している。 また、世代ごとに1つの個人を作成し、進化における世代交代戦略に従う。 本稿では,これらのアルゴリズム設計決定を再考し,コ進化的SSL-GAN (Co-evolutionary Elitist SSL-GAN) と呼ばれる新しい共進化的アプローチを提案する。 3つの標準ベンチマークデータセットを用いて提案手法の性能を評価する。 以上の結果から,1個体当たりの産子数の増加とエリート主義の活用により,従来のSSL-GANと比較した結果が得られた。

関連論文リスト

• Nature-Inspired Population-Based Evolution of Large Language Models [58.81047484922555]
  本稿では,大規模言語モデル(LLM)の人口ベース進化という,新たな課題を正式に定義する。 我々の枠組みは、人口が4つの重要な操作を通じて進化することを可能にする。 12のデータセットに対する実験により、我々のフレームワークは既存のマルチLLMマージおよびアダプティブメソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-03-03T04:03:31Z)
• A two-stage algorithm in evolutionary product unit neural networks for classification [0.0]
  本稿では,進化過程の初期段階において,より広範な多様性を付加する手法を提案する。 異なるパラメータ設定で2つの初期個体群を作成し、少数の世代で進化させ、同じ割合で各個体群から最高の個体群を選択し、それらを組み合わせて新しい初期個体群を構成する。
  論文  参考訳（メタデータ） (2024-02-09T18:56:07Z)
• DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
  本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。 我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。 今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
  論文  参考訳（メタデータ） (2023-12-08T16:51:10Z)
• EGANS: Evolutionary Generative Adversarial Network Search for Zero-Shot Learning [13.275693216436494]
  本稿では, 適応性と安定性に優れた生成ネットワークを自動設計するために, 進化的生成逆ネットワーク探索(EGANS)を提案する。 EGANSは進化生成器アーキテクチャサーチと進化生成器アーキテクチャサーチの2つの段階によって学習される。 実験により、EGANSは標準CUB、SUN、AWA2、FLOデータセットの既存の生成ZSLメソッドを一貫して改善していることが示された。
  論文  参考訳（メタデータ） (2023-08-19T05:47:03Z)
• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• Exploring Generative Adversarial Networks for Text-to-Image Generation with Evolution Strategies [0.4588028371034407]
  いくつかの方法は、ジェネレーティブ・アドバイサル・ネットワークのような事前訓練されたモデルに依存し、生成モデルの潜在空間を探索する。 本稿では,共分散行列適応進化戦略を用いて生成逆数ネットワークの潜伏空間を探索する。 本手法は, 勾配に基づく手法と進化的手法を組み合わせ, 結果の質を生かした手法であることを示す。
  論文  参考訳（メタデータ） (2022-07-06T18:28:47Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Self-Supervised Learning of Graph Neural Networks: A Unified Review [50.71341657322391]
  ラベルなしサンプルを多用する新たなパラダイムとして,自己教師型学習が登場している。 SSLを用いたグラフニューラルネットワーク(GNNs)のトレーニング方法の統一レビューを提供します。 gnnに対するssl手法の処理は,様々な手法の類似性と相違に光を当て,新しい手法やアルゴリズムの開発段階を定めている。
  論文  参考訳（メタデータ） (2021-02-22T03:43:45Z)
• Evolutionary Generative Adversarial Networks with Crossover Based Knowledge Distillation [4.044110325063562]
  本稿では,進化戦略を用いてGANに広く適用可能な一般クロスオーバー演算子を提案する。 次に、それに基づいて進化的GANフレームワークC-GANを設計する。 そして、クロスオーバー演算子と進化生成逆数ネットワーク(EGAN)を組み合わせて、クロスオーバー(CE-GAN)を用いた進化生成逆数ネットワークを実装する。
  論文  参考訳（メタデータ） (2021-01-27T03:24:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。